一个多层检索增强的大型语言模型框架,用于增强高血压教育
Yijun Wang1, Yujie Luan1, Siyi Cheng2
1Center of Gerontology and Geriatrics, National Clinical Research Center for Geriatrics, West China Hospital, Sichuan University, Chengdu, China.
检索增强生成 (RAG) 与HEART框架显著改善了用于高血压教育的大型语言模型 (LLM). 这种人工智能增强提高了健康信息检索的准确性和可靠性.
科学领域:
- 医疗保健中的人工智能
- 医疗信息检索 医疗信息检索
- 自然语言处理自然语言处理.
背景情况:
- 大型语言模型 (LLM) 对健康信息检索有前途,但患有"幻觉",构成安全风险.
- 确保人工智能驱动的健康教育的准确性和可靠性对于患者安全和有效的信息传播至关重要.
- 现有的LLM需要域特定的增强来减轻与医疗信息生成相关的风险.
研究的目的:
- 为了提高大语言模型 (LLMs) 的准确性和可靠性,用于高血压教育.
- 开发和评估HEART (高血压增强答案检索工具) 框架,整合检索增强生成 (RAG) 技术.
- 评估RAG整合对领先的LLM在响应高血压相关查询方面的表现的影响.
主要方法:
- 一个专门的高血压知识库被构建并集成到一个检索增强生成 (RAG) 系统中,形成了HEART框架.
- 四个著名的LLM (ChatGPT-4o,Claude-3.5,Gemini-2.5,Llama-3.3) 用一组50个常见的高血压问题进行了评估,这些问题既是基本形式的,又是用HEART增强的.
- 临床专家根据准确性,完整性,一致性,稳定性,安全性和整体质量评估了LLM的反应.
主要成果:
- 与HEART框架的整合显著改善了所有四个LLM的准确性,完整性,一致性,安全性和稳定性 (P <0.05).
- 所有模型的平均整体质量得分都大幅增加:拉玛-3.3 (3.57至4.20),克劳德-3.5 (3.92至4.38),聊天GPT-4o (3.91至4.32) 和双子座-2.5 (4.03至4.38) (P <0.001).
- HEART框架有效地解决了LLM幻觉,提高了人工智能生成的健康信息的可靠性.
结论:
- 将高质量,特定领域的医疗数据与RAG等先进的人工智能技术相结合,对于改善医疗保健应用至关重要.
- HEART框架展示了一种成功的策略,用于减轻LLM的不准确性,并提高高血压教育的可靠性.
- 这种方法为更安全,更可靠的人工智能医疗信息系统提供了途径.
更多相关视频
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
12:55Multimodal Protocol for Assessing Metacognition and Self-Regulation in Adults with Learning Difficulties
Published on: September 27, 2020
相关概念视频
Health Literacy
Hypertension V: Nursing Management
Hypertension III: Clinical Manifestations and Diagnostic Studies
Errors occurring during blood pressure monitoring
Several factors...
Hypertension IV: Drug Therapy and Lifestyle Modifications
Hypertension and Regulation of Blood Pressure
